# install.packages("devtools")
# devtools::install_github("Espanta/lubripack")
lubripack::lubripack("dplyr", "ggplot2", "ggthemes", "viridis", silent = T)

Variablen

Der original ESS-Datensatz der mittlerweile 8 Erhebungswelle kann Hier herunter geladen werden. Zu Übungszwecken wurden bereits eine Vorauswahl an Variablen schon bearbeitet.

  • country: Land der Befragung
  • gender: Geschlecht [Weiblich, Männlich]
  • age: Lebensalter
  • edu: Höchster Bildungsabschluss (ISCED) [1-7]
  • income: Neto Haushaltseinkommen in Dezentilen (1-10 Kategorien zu einkommen in 10% Schritten)

  • pol_inter: Politisches Interesse [1: überhaupt nicht interessiert; 4: sehr interessiert]

  • left_right: Selbsteinschätzung Links-Rechtsskala [1: Links, 10: Rechts]
  • gay_tolerance: Lesben und Schwule können sich frei entfalten [1: lehne ab; 5: stimme zu]
  • religious: Religiösität [1: gar nicht, 5: sehr]
  • imm_poor: Armutsmigration von außerhalb Europa’s [1: Keine, 4: Viele]
  • imm_econ: Ist Einwanderung gut oder schlecht für die Wirtschaft? [0: schlecht, 10: gut]
  • fake_refugee: Meisten Flüchtlinge sind nicht wirklich verfolgt [1: Stimme nicht zu, 5: Stimme zu]

  • safety: Fühlst du dich nachts sicher? [1: Sehr unsicher; 4: Sehr sicher]

  • party_right: Idenifikation mit einer populistischen Partei (europaweit) […]
  • vote_right: Indikator - Idenifikation mit einer populistischen Partei (europaweit) [0, 1]
  • party_ger: Parteiidentifikation (DE) [Linke, Grüne, SPD, Union, AfD]
  • EU_accession: Jahr des EU-Beitritts (eines Landes)

  • pc: Post-kommunistische Staaten

Deutschland und die AfD

Filtere die Daten ess nur nach Personen aus Deutschland und speichere diesen Subset als ess_ger ab.

load("data/ess_workshop.Rdata")

ess_ger <- ess %>%
  filter(country %in% "DE")

glimpse(ess_ger)
## Observations: 2,852
## Variables: 19
## $ country       <chr> "DE", "DE", "DE", "DE", "DE", "DE", "DE", "DE", ...
## $ gender        <fctr> Male, Male, Male, Male, Male, Male, Female, Fem...
## $ age           <dbl> 22, 58, 64, 52, 67, 73, 34, 40, 77, 30, 41, 70, ...
## $ edu           <dbl> 4, 4, 9, 4, 9, 4, 8, 5, 4, NA, 4, 5, 4, 4, 4, 5,...
## $ income        <dbl> 6, NA, 4, NA, 10, 3, 8, 6, 6, NA, NA, 1, 7, 4, 7...
## $ pol_inter     <dbl> 2, 4, 4, 2, 4, 1, 2, 3, 4, 2, 4, 2, 4, 2, 3, 1, ...
## $ left_right    <dbl> 2, 5, 5, 8, 7, 5, 6, 3, 6, 5, 0, 4, 3, 4, 3, 5, ...
## $ gay_tolerance <dbl> 4, 5, 4, 5, 4, 4, 5, 5, 4, 3, 5, 4, 5, 4, 5, 5, ...
## $ religious     <dbl> 1, 6, 8, 6, 5, 0, 3, 7, 7, 2, 9, 0, 6, 6, 8, 7, ...
## $ imm_poor      <dbl> 3, 4, 5, 5, 3, 2, 4, 5, 4, 5, 4, 4, 2, 4, 5, 4, ...
## $ imm_econ      <dbl> 8, 9, 8, 5, 6, 0, 5, 8, 5, 8, 5, 5, 4, 9, 8, 7, ...
## $ fake_refugee  <dbl> 4, 3, 3, 5, 4, 5, 4, 2, 3, 2, 4, 4, 4, 4, 2, 4, ...
## $ safety        <dbl> 3, 4, 3, 4, 3, 4, 3, 3, 2, 3, 3, 3, 4, 2, 4, 3, ...
## $ party_right   <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, ...
## $ vote_right    <fctr> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ party_ger     <fctr> SPD, SPD, SPD, NA, FDP, NA, NA, SPD, Union, NA,...
## $ region        <chr> "Germany", "Germany", "Germany", "Germany", "Ger...
## $ EU_accession  <fctr> 1958, 1958, 1958, 1958, 1958, 1958, 1958, 1958,...
## $ pc            <chr> "West", "West", "West", "West", "West", "West", ...

Visualisiere die Häufigkeiten für gay_tolerance mit Hilfe eines Bar Charts.

# Aufgabe 1

Da das Standard Layout nicht sehr hübsch ist, können wir es durch ggthemr für alle folgenden Grafiken auf einmal ändern. Nachträglich kann ein Theme oder die farben immer noch gewechselt werden.

library(ggthemr)
ggthemr('flat')

Als nächstes greifen wir auf unsere dplyr Kenntnisse zurück und zählen die Personen und ihre Parteidenifikationen in Deutschalnd.

ess_ger %>%
  group_by(party_ger) %>%
  tally %>%
  ggplot(aes(x = factor(1), y = n, fill = party_ger)) +
  geom_bar(width = 1, colour = "black", stat = "identity") + 
  coord_polar(theta = "y")

Wähle ess_ger und filtere alle Personen heraus die rechts-populisten gewählt haben (vote_right == 1). Dann visualisiere via Pie Chart die Häufigkeiten der Variable gender (Code der vorherigen Aufgabe).

# Aufgabe 2

Visualisiere die Variable imm_econ mit Hilfe eines Histogramms.

# Aufgabe 3

Die Stärke von ggplot2 ist, dass verschieden Dimesnionen auf einmal dargestellt werden können. Eine dieser Dimension/ Facette der Daten kann durch facet_grid(~group) aufgedeckt werden.

ess_ger %>%
  ggplot(aes(imm_econ, fill = vote_right)) + 
  geom_histogram(binwidth = 1) +
  facet_wrap(~vote_right, scales = "free_y")

Erstelle einen Boxplot von der Variable imm_econ.

# Aufgabe 4

Kopieren den vorherigen Code und tausche die X Achse durch vote_right aus.

# Aufgabe 5

Europa und die Rechten

Wir wechseln den Datensatz an dieser Stelle und greifen auf die europaweiten Daten (ess) zurück. Dadurch wird eine Betrachtung pro Land durch facet_wrap(~country) zum Kinderspiel. Visualsiere den obigen Boxplot von imm_econ pro Land.

# Aufgabe 6

Kopiere den vorherigen Code und ergänze die Grafik um eine Legende und passende Farben.

# Aufgabe 7

Nun kommen wir zum Format Vilion Plot. Das Alter pro Land lässt sich so sehr intuitiv darstellen. Ein Zwider aus Density Plot und Box plot.

ess %>%
  ggplot(aes(x = 1, y = age)) + 
  geom_violin() +
  facet_wrap(~country, nrow = 3)

Tausche die Variable age durch imm_econ und füge eine Farbe (fill) für Post-Kommunistische Länder zum vorherigen Plot hinzu.

# Aufgabe 8

Deutschlands Parteienlandschaft

Nun lernen wir das neue Package ggpubr kennen. ggboxplot liefert …

library(ggpubr)

party_colors  <- c(
  "Linke" = "#8B1A1A", 
  "SPD" = "#E2001A", 
  "Grüne" = "#46962b", 
  "Union" = "black", 
  "FDP" = "#ffed00",
  "AfD" = "#1E90FF"
)

gg1 <- ess %>%
  ggboxplot(
    x = "party_ger", 
    y = "left_right",
    color = "party_ger", 
    palette = party_colors, 
    title = "Parteizugehörigkeit nach Links-Rechtsskala (Selbsteinschätzung)", 
    xlab = "",
    ylab = "Links-Rechtsskala",
    remove = NA
    #add = "jitter"
  ) +
  coord_flip()

gg1

plotly::ggplotly(gg1, width = 700, height = 400)

Als nächstes wird ein Vektor für die richtigen Parteifarben bestimmt. Dieser wird dann an die bestehende Grafik mittels scale_colour_manual integriert. Außerdem werden noch jitter hinzugefügt und die Achsen mittels coord_flip getauscht.

Wie Hoch ist die Bildung der jeweiligen Partei-Anhänger? Nutze dazu den Code der voherigen Grafik und ändere die Variable. Interessant wäre dieser Plot auch mit folgenden y Variablen:

  • imm_econ: Ausländerablehnung
  • religious: Religiösität

GGparliament

# devtools::install_github("leeper/ggparliament")
library("ggplot2")
library("ggparliament")

# example data 
d <- data.frame(
  party = factor(c("Linke", "SPD", "Grüne", "Union", "FDP", "AfD")),
  seats13 =  c(64, 193, 63, 311, 0, 0),
  seats17 = c(69, 153, 67, 246, 80, 94)
)


party_colors  <- c(
  "Linke" = "#8B1A1A", 
  "SPD" = "#E2001A", 
  "Grüne" = "#46962b", 
  "Union" = "black", 
  "FDP" = "#ffed00",
  "AfD" = "#1E90FF"
)


ggparliament(d, party = party, 
             seats1 = seats17, style = "dots", portion = 0.5, 
             nrows = 10, size = 1) + 
  scale_fill_manual(values = party_colors) +
  scale_colour_manual(values = party_colors) +
  ggtitle("18. Deutscher Bundestag") +
  theme_void()  +
  theme(legend.position = "none")

ggparliament(d, party = party, 
             seats1 = seats17, seats2 = seats13, style = "arc", 
             portion = 0.5, nrows = 10, size = 1, label = "seats") +
  scale_fill_manual(values = party_colors) +
  scale_colour_manual(values = party_colors) +
  ggtitle("18. Deutscher Bundestag") +
  theme_void()  +
  geom_segment(aes(x = 0.25, xend = 0.25, y = 0.5, yend = 2), linetype = "dashed")

Wie hoch ist der Sitzanteil für jede Partei in der National Assembly in Frankreich die dieses Jahr neu gewählt worden ist? Wie stark ist der FN?

National Assembly political groups

  • REM La République En Marche 310
  • LR The Republicans 95
  • MoDem Democratic Movement and affiliated 42
  • LC The Constructives: Republicans, UDI, and Independents 34
  • NG New Left 28
  • FI La France Insoumise 17
  • GDR Democratic and Republican Left 16
# AUfgabe

Kausalität? Wirkmechanismus?

ess_ger %>%
  filter(!is.na(party_ger)) %>%
  ggscatter(
    x = "edu", 
    y = "left_right",
    color = "party_ger",
    point = F,
    remove = NA
  ) + 
  geom_jitter(aes(colour = party_ger), alpha = 0.3) +
  facet_wrap(~party_ger)

plot_function <- function(x, y){
  # Der Datensatz
  ess_ger %>%
    filter(!is.na(party_ger)) %>%
    # Die Grafik
    ggscatter(
      x = x, 
      y = y,
      color = "party_ger",
      fill = "party_ger",
      palette = party_colors,
      point = F, 
      remove = NA
    ) +
    facet_wrap(~party_ger)+ 
    geom_smooth(aes(colour = party_ger), method = "lm")+ 
    geom_jitter(aes(colour = party_ger), alpha = 0.3) + 
    stat_cor(aes(color = party_ger), method = "pearson", label.x = 3, label.y = 11) +
    theme(legend.position = "none")
}

plot_function("left_right", "edu")

plot_function("left_right", "income")

plot_function("left_right", "safety") + ylim(0,5)

plot_function("left_right", "gay_tolerance") + ylim(0,5)

plot_function("left_right", "imm_poor") + ylim(0,5)

plot_function("left_right", "imm_econ") + ylim(0,5)

plot_function("left_right", "religious") 

plot_function("left_right", "fake_refugee") + ylim(0,5)

Noch Zeit?

  1. Du könntest irgendwelche Variablen zu visualisieren um ein Gefühl und besseres Verständnis von ggplot2 argumenten colour und fill zu bekommen.

  2. GGplot2 bietet unzählige Möglichkeiten bivariate und multivariate Daten darzustellen
    • Hast du schon in den Katalog geschaut?
    • exploR::gg_heatmap kann sehr nützlich sein

  3. Eigene Daten? Gerne!